본 논문은 동적 환경에서 운영되는 구성 가능한 소프트웨어 시스템의 성능 학습 문제를 해결하기 위해, 이중 계층적 적응(DHDA) 프레임워크를 제안합니다. DHDA는 전역적 변화(전체 설정 공간의 성능 변화)와 지역적 변화(설정 공간의 특정 부분에만 영향을 미치는 변화) 모두에 적응할 수 있도록 설계되었습니다. 상위 레벨에서는 데이터를 재분할하여 지역 모델을 재훈련함으로써 필요할 때만 전역적 변화에 대응하고, 하위 레벨에서는 각 분할의 지역 모델이 비동기적으로 지역적 변화를 감지하고 적응합니다. 효율성을 위해 증분 업데이트와 주기적인 전체 재훈련을 결합하여 변화가 감지되지 않을 때 불필요한 계산을 최소화합니다. 8개의 소프트웨어 시스템에 대한 평가 결과, DHDA는 최첨단 방법보다 정확도가 훨씬 높고, 최대 2배의 성능 향상으로 변화에 효과적으로 적응하며, 합리적인 오버헤드를 유지함을 보여줍니다.
